冯子材-CSDN博客

原创 MotionNet: 基于鸟瞰图的自主驾驶联合感知与运动预测

MotionNet: Joint Perception and Motion Prediction for Autonomous Driving Based on Bird’s Eye View Maps摘要可靠地感知环境状态的能力，尤其是对象的存在及其运动行为，对于自动驾驶至关重要。在这项工作中，我们提出了一个有效的深度模型，称为MotionNet，以共同执行3D点云的感知和运动预测。MotionNet将一系列LiDAR扫描作为输入，并输出鸟瞰（BEV）图，该图对每个网格单元中的对象类别和运动信息进行

2021-08-18 10:56:58 1807

原创【论文速递】SynLiDAR：从合成 LiDAR 序列点云中学习语义分割特征

SynLiDAR：从合成 LiDAR 序列点云中学习语义分割特征摘要从合成数据到真实数据的迁移学习已被证明是减轻各种计算机视觉任务中数据注释约束的有效方法。然而，由于缺乏大规模高质量合成点云数据和有效的迁移学习方法，3D点云数据的发展落后于2D图像的发展。SynLiDAR是一种合成 LiDAR 点云数据集，其中包含具有准确几何形状和全面语义类别的大规模逐点注释点云。而PCTNet是一种旨在缩小与真实世界点云数据的差距的点云转换网络。对于 SynLiDAR，利用图形工具和专业人员构建多个具有丰富场景类型和

2021-08-05 16:50:35 705

原创【论文速递】PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation

摘要自动驾驶系统中对细粒度感知的需求导致最近对单扫描LiDAR的在线语义分割的研究增加。尽管出现了新的数据集和技术进步，但由于以下三个原因，它仍然具有挑战性：（1）需要有限硬件的近实时延迟；（2）LiDAR点在整个空间中的分布不均匀甚至长尾；（3）越来越多的极细粒度的语义类。为了共同解决所有上述挑战，提出了一种新的特定于LiDAR的，无近邻的分割算法-PolarNet。我们的极鸟瞰图表示法不是使用通用的球面或鸟瞰图投影，而是在极坐标系中平衡网格单元之间的点，从而使分割网络的注意力与沿点的长尾分布间接对

2020-11-08 11:12:21 3200 2

原创【论文速览】任何运动检测器：从一系列LiDAR点云中学习与类无关的场景动态

摘要在复杂的城市环境中，目标检测和运动参数估计是自动驾驶车辆安全导航的关键任务。在这项工作中，作者提出了一种新颖的实时时态上下文聚合方法，用于基于3D点云序列的运动检测和运动参数估计。作者引入了自我运动补偿层，以实现实时推理，其性能可与原始点云序列的简单里程转换相媲美。所提出的体系结构不仅能够估计车辆或行人等常见道路参与者的运动，而且可以概括为训练数据中不存在的其他对象类别。还将对不同的时间上下文聚合策略（例如循环单元和3D卷积）进行深入分析。最后，多提出的最新模型与KITTI Scene Flow数

2020-08-03 18:58:26 434

原创 Docker容器内安装cuda以及cudnn，解决报错undefined symbol:

记录Docker容器内安装cuda以及cudnn，以及避免出现以下报错undefined symbol:安装cuda10.0进入网址进行下载：cuda10.0进入到存储文件的路径下，输入以下命令运行安装：sudo sh cuda_10.0.130_410.48_linux.run 按照提示输入，注意第三个选项问是否安装NVIDIA Accelerated Graphics Driver驱动，选no。完成后，按照同样的方式完成安装：sudo sh cuda_10.0.130.1_linux.

2020-07-22 19:44:07 11612 3

原创【错误调试】TypeError: create_target_machine() got an unexpected keyword argument ‘jitdebug‘

File "/home/wutao/anaconda3/envs/vibe-env/lib/python3.7/site-packages/numba/targets/codegen.py", line 637, in _inittm = target.create_target_machine(**tm_options)TypeError: create_target_machine() got an unexpected keyword argument 'jitdebug'碰到了这个问题，更换

2020-07-22 13:15:13 7849 7

原创点云多个任务，数十篇论文整理

在这里给出入门点云以来，接触到的不同任务的经典论文。本人正在求学，需要在github页面刷刷经验，觉得代码有用的同学麻烦再github给个星星吧！带有链接的版本移步这里：https://github.com/FengZicai/My-summary-of-3d-vision-tasks麻烦同学们给个星星吧！Different tasks for 3D Point CloudThis summary includes traditional algorithms and deep learning

2020-07-20 15:15:00 1083

原创【全文翻译】PointRNN: Point Recurrent Neural Network for Moving Point Cloud Processing

摘要在本文中，我们介绍了用于移动点云处理的点递归神经网络（PointRNN）。在每个时间步长，PointRNN都将点坐标P∈Rn×3和点特征X∈Rn×d作为输入（n和d分别表示点数和特征通道数）。 PointRNN的状态由点坐标P和点状态S∈Rn×dl（dI表示状态通道的数量）组成。同样，PointRNN的输出由P和新的点特征Y∈Rn×dll（dII表示新特征通道的数量）组成。由于点云是无序的，因此无法直接操作两个时间步的点特征和状态。因此，采用基于点的时空局部相关来根据点坐标聚合点特征和状态。我们还提出

2020-07-04 19:52:00 3253

原创 CUDA加速的CD,EMD计算(pytotrch版本)

我在我的github给出了cuda加速的CD与EMD计算代码.可以作为插件集成到自己的pytorch工程.

2020-06-28 11:12:11 2496 6

原创【论文速览】PointPainting: Sequential Fusion for 3D Object Detection

摘要摄像头和激光雷达是通常是机器人技术，特别是自动驾驶汽车的重要传感器形式。传感器提供补充信息，为紧密的传感器融合提供了机会。令人惊讶的是，仅使用激光雷达的方法在主要基准数据集上的性能优于融合方法，这表明文献中存在空白。在这项工作中，我们提出了PointPainting：一种填补这一空白的顺序融合方法。PointPainting将激光雷达点投影到仅图像的语义分割网络的输出中并将类分数附加到每个点。然后可以将附加的（painted）点云馈送到任何仅激光雷达的方法。实验显示，在KITTI和nuScenes数据

2020-06-03 11:32:18 2951

原创【论文速览】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection

摘要提出了一种新的高性能的三维目标检测框架：PointVoxel-RCNN（PV-RCNN），用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象有机地结合起来，以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案

2020-06-01 19:41:34 1105

Floyd最短路算法

空空如也